BP神經網絡在巡邏機器人多傳感器數據融合中的應用*

黃衍標，羅廣岳，何銘金

（廣州大學華軟軟件學院，廣州510990）

BP神經網絡在巡邏機器人多傳感器數據融合中的應用*

黃衍標*，羅廣岳，何銘金

（廣州大學華軟軟件學院，廣州510990）

針對傳統(tǒng)危化品倉庫固定式監(jiān)控器中監(jiān)控范圍小、報警準確率低的特點，研究了一款危化品倉庫巡邏機器人，采用以拉依達準則改善BP神經網絡融合性能的多傳感器數據融合方法，通過采集泄露危化品濃度、倉庫內環(huán)境溫度和濕度等數據，在對數據進行拉依達去噪、歸一化后利用BP神經網絡進行融合輸出。樣機試驗結果表明，該方法可有效提升危化品倉庫巡邏機器人對空間環(huán)境的把握度，大幅度提高報警的準確性和可靠性，同時具備良好的傳感器擴展性。

數據融合；機器人；BP神經網絡；多傳感器

對危化品的生產、運輸和貯存過程的安全管理，是保障社會公共安全的重要組成部分。目前，大多危化品倉庫的還停留在人工管理狀態(tài)，少數引進監(jiān)控設備的危化品倉庫也基本都是采用固定式監(jiān)控裝置，其監(jiān)控的空間范圍有限，而且所采用的傳感器類型單一，報警準確率低、監(jiān)控系統(tǒng)的傳感器擴展性差，所配備傳感器檢測出的環(huán)境參數，往往不足以準確預測出所處環(huán)境中危化品泄露等情況導致的危險。

多傳感器數據融合是一種常用的提高測量可靠性的方法［1］。為實現準確可靠的安全預警，危化品倉庫巡邏機器人可以利用溫度傳感器、濕度傳感器和泄漏危化品檢測傳感器等多個感知裝置，采集倉庫中環(huán)境數據，再將采集的原始數據進行預處理和數據融合，其融合結果作為巡邏機器人進行安全預警的決策依據。為了實時準確獲取被檢測環(huán)境的真實數據，已有不少文獻研究了對多個同型或異型傳感器采集的參數進行數據融合處理的方法［2-7］，這些方法相比僅用單傳感器進行檢測來說，其結果的準確性均有較大改善，但仍存在結構性缺陷，要么算法只能用于多個同種傳感器數據融合；要么只能應用于對特定環(huán)境的檢測，當智能系統(tǒng)中需增加新的傳感器時，需要重新研發(fā)融合算法才能適應檢測需求；要么所用算法要求參與融合的參數之間相互獨立，無法應用于類似危化品倉庫中溫度、濕度、光照等環(huán)境參數和危化品濃度之間兩兩相互耦合的應用場合。針對上述不足之處，本文以危化品倉庫巡邏機器人作為應用背景，在巡邏機器人中利用多個異型傳感器的互補性來對環(huán)境進行綜合檢測，提出了一種以BP神經網絡為核心算法的特征級數據融合解決方案，從而提高巡邏機器人系統(tǒng)對空間環(huán)境的把握度和進行智能決策時的可靠性。

1 多傳感器數據融合系統(tǒng)模型

多傳感器數據融合的關鍵問題是系統(tǒng)模型設計［8］，主要包括功能、結構和數據模型三方面。本文設計的以BP神經網絡為核心算法的多傳感器數據融合系統(tǒng)結構如圖1所示，其原理是首先通過巡邏機器人系統(tǒng)的n個異型傳感器進行倉庫環(huán)境參數采集，然后利用拉依達法則對采集的數據進行去噪操作，再進行歸一化處理，為BP神經網絡提供標準的輸入數據，最后利用訓練好的神經網絡將歸一化后的信息進行融合處理，并將融合結果作為機器人報警決策的依據進行輸出。

圖1 基于BP神經網絡的多傳感器數據融合系統(tǒng)

2 數據融合處理

2.1 利用拉依達準則去除噪聲數據

系統(tǒng)進行數據融合的原始數據來自巡邏機器人各傳感器，因系統(tǒng)外部各種不確定因素的影響，傳感器返回的檢測數據中往往出現隨機噪聲干擾實測數據，這些噪聲數據將導致實測數據融合結果出現誤差，從而使巡邏機器人出現誤報警。因此，為了提升巡邏機器人預警的準確性，在進行數據融合前本文先利用拉依達準則剔除各傳感器返回的噪聲數據。

假設單個傳感器按周期采集數據為s1，s2，…，sn，根據式（1）計算出其算術平均值及剩余誤差（i=1，2，…，n，n＞10），并按貝塞爾公式式（2）計算出標準誤差。

根據拉依達準則，對于si，如果|vi|=|si-sˉ|＞3σ成立，則認為xi是含有粗大誤差值的噪聲值，應予以剔除。去掉噪聲值后重新計算剩余測量值的算術平均值、剩余誤差、標準誤差，判斷各測量值剩余誤差是否大于3σ，重新去掉新的噪聲值，直到沒有新的異常值出現為止，剩下的測量值認為是該傳感器正常的測量值。

重復上述過程，分別對巡邏機器人各個傳感器（溫度、濕度、泄露危化品等檢測單元）返回的數據去除噪聲值。

2.2 歸一化處理

危化品倉庫巡邏機器人采用溫度傳感器、濕度傳感器和泄漏危化品（以CO為例）傳感器等多個異型傳感器對倉庫空間環(huán)境進行綜合檢測，所采集的溫度、相對濕度、CO濃度等數據的量綱和單位都不一致，經驗證，若直接對這些數據進行融合，其融合結果的誤差易超出允許范圍。歸一化處理可以把機器人通過不同類型傳感器采集的數據統(tǒng)一到同一個參考系下，提升融合結果的精確度，同時還可以加快訓練BP神經網絡時的收斂速度。因此，在數據融合之前對這些數據作了歸一化處理。本文用式（3）對各傳感器采集的數據進行歸一化處理，把它們變換到［0，1］范圍內作為BP神經網絡的輸入。

式中，pi和xi分別為第i個傳感器輸入層結點往隱層結點的歸一化前后的數據，pimax和pimin分別為第i個傳感器采集數據的最大值和最小值。

2.3 BP神經網絡結構及設計

危化品倉庫巡邏機器人主要檢測危化品泄露程度及環(huán)境物理參數變化情況，涉及的被測環(huán)境變量有很多，為便于研究本文選取了3個典型環(huán)境變量，包括空氣溫度x1，空氣相對濕度x2，各種有毒或可燃性危化品濃度綜合值x3，即選用x1、x2、x3作為網絡輸入。

當巡邏機器人檢測到倉庫中發(fā)生危化品泄漏或倉庫環(huán)境參數異常時，需啟動分級預警機制，即需要一個變量作為預警依據，因而本系統(tǒng)選用預警變量y（0≤y≤1）作為網絡輸出層結點的輸出。

本文所設計神經網絡模型如圖2所示，其中輸入層的輸入信號為去噪、歸一化處理后的數據xi；隱層第j個神經元總輸入為uj，輸出為Oj；輸出層總輸入為z，輸出為y；輸入層第i個結點到隱層第j個結點的權值為wij，隱層第j個結點到輸出層的權值為vj；n為輸入樣本總數，m為隱層結點總數；所有神經元閾值均為θ，隱層和輸出層的激發(fā)函數均為S型函數f，則傳感器信號xi從輸入層到隱層再到輸出層y可以用以下關系式表示：

2.4 BP神經網絡訓練

神經網絡的本質在于模擬人腦對事物處理過程，BP神經網絡模型在應用之前必須根據已有的人類對事故判定的經驗（即訓練樣本數據）進行訓練［9］，即通過學習大量的給定樣本輸入數據和樣本輸出數據之間的關系，調整網絡內部參數wij、vj構成的權值矩陣和閾值θ找到滿足誤差條件的最優(yōu)解。因此，訓練樣本數據輸入輸出關系的準確性是訓練的前提，合理的訓練方案則是求解BP神經網絡參數最優(yōu)解的關鍵。

為獲得準確有效的樣本數據供神經網絡學習，首先人類自身必須有一個對危化品倉庫事故的判定標準。據資料［10］顯示，當空氣相對濕度大于60%時，發(fā)生火災很少，當濕度在40%～60%之間時可以發(fā)煙燃燒但不易擴大燃燒面積，當空氣濕度在30%～40%時容易燃燒并蔓延，而濕度低于25%時極易發(fā)生火災。我國各地正常溫度不高于60℃，且危化品倉庫室溫通常都保持在30℃以內，而室內火災初起階段通常會出現發(fā)煙燃燒現象，溫度則會由正常室溫上升至200℃以上。同時根據國家標準，CO泄漏二級報警值設為30×10-6～50×10-6，一級報警值設為150×10-6～300×10-6。綜合以上濕度、溫度和CO濃度的危險度評判標準，對機器人從各種模擬實驗環(huán)境下采集的30組數據進行人工判斷其危險程度，并生成樣本作為訓練樣本數據使用，每組訓練樣本數據由空氣相對濕度、環(huán)境溫度、CO濃度及報警預期值4項構成。

求解BP神經網絡的權值矩陣和閾值的最優(yōu)解是網絡訓練的最終目的。有了準確有效的訓練樣本數據后，還需要合適的神經網絡訓練方法。神經網絡訓練最典型方法是最速下降法，但該方法收斂速度太慢［11］，為提升收斂速度本系統(tǒng)采用二階梯度法進行訓練，同時為防止訓練過程中陷入無法滿足誤差條件的局部極小值，借助了MATLAB工具［12］從多組不同的初始權值開始對神經網絡進行訓練，在訓練的過程中，結合收集的30組訓練樣本數據，不斷嘗試不同的隱層結點數、初始權值矩陣、網絡迭代次數、期望誤差和學習速率等，并在隱層和輸出層分別采用不同激活函數進行比較驗證，最終選擇了其中最優(yōu)的網絡層數、每層結點數、權值、各層閾值和各層激活函數等參數（見表1），確定了用于機器人數據融合的BP神經網絡模型。

表1 訓練后的BP神經網絡參數

3 仿真測試與結果分析

因測試危化品倉庫現場異常狀況的數據非常困難，實驗模擬了在危化品倉庫可能出現的各種環(huán)境，并再次用機器人樣機采集了30組環(huán)境數據用于測試數據融合系統(tǒng)的準確性，為便于驗證，將這30組數據按前面所述人工判定標準進行了安全度劃分。再將訓練得到BP神經網絡相關參數寫入到巡邏機器人數據融合系統(tǒng)中，并將BP神經網絡的融合輸出結果值y作為機器人預警依據，設定當y接近0（y≤0.3）時不予報警，當y在0.5附近（0.3＜y≤0.7）時則黃色預警，當y接近1（y＞0.7）時則紅色預警，則機器人對30組模擬測試數據的輸出結果如表2所示。

表2 30組測試數據表

由表2可以看出，30組測試樣本數據的預期判定結果和機器人判定結果完全相同。

不過，測試結果與預期結果相同不代表沒有誤差，為進一步分析數據融合系統(tǒng)的系統(tǒng)誤差情況，將報警預期值和融合結果值單獨列出如圖3進行對比。

圖3 30組測試樣本數據融合值與預期值對比

在圖3中，橫坐標表示參與測試的30組數據編號，縱坐標表示融合輸出值，圖中將融合輸出結果y跟預期輸出結果進行疊加對比。結合表2可以看出，本文設計的BP神經網絡系統(tǒng)融合輸出結果值y跟報警預期值有一定偏差，但均能保持同步。當溫度、濕度及CO濃度在安全值范圍內時，融合結果值跟預期結果值0基本同步，當濕度越低于正常值范圍或溫度、CO濃度越高于正常范圍時則預測結果值偏離預期結果值0越遠；相反，當濕度越高于正常范圍或溫度、CO濃度越低于正常范圍時預測結果值越接近預期結果值0。當溫度、濕度或CO濃度任意一個值超出安全閾值時融合結果值均接近預期結果值1，超出范圍越遠則融合結果越接近1。因此，以上所有情況的預測結果值和預期結果值偏差都在系統(tǒng)允許的范圍之內，融合結果完全可用于指導巡邏機器人系統(tǒng)進行分級預警。

4 結論

本文以危化品倉庫巡邏機器人作為應用平臺，選用了BP神經網絡自適應算法對機器人系統(tǒng)所監(jiān)控參數進行融合預警。實驗結果表明，本文設計的BP神經網絡模型通過訓練后可以綜合各種傳感器的檢測結果進行數據融合輸出，能在各種情況下有效避免傳統(tǒng)報警器的誤報現象。相較于普通監(jiān)控設備，巡邏機器人系統(tǒng)預警的準確性和可靠性得到明顯提高，并具備了一定的智能性。同時，因神經網絡具備自主學習的能力，在系統(tǒng)需要增加更多的異型危化品檢測傳感器時該算法具有很好的移植性。但因危化品倉庫是一個由溫度、濕度、光照等環(huán)境參數和不同種泄露危化品濃度等參數構成的多變量耦合空間，環(huán)境參數和危化品相互耦合之后各變量的安全閾值有待進一步驗證，以進一步確保和提高系統(tǒng)預警的可靠性。

［1］岳元龍，左信，羅雄麟.提高測量可靠性的多傳感器數據融合有偏估計方法［J］.自動化學報，2014，40（9）：1843-1852.

［2］Chen Zhifeng，Cai Yunze，Xu Xiaoming.A Data Fusion Algorithm for Multi-Sensor Dynamic System Based on Interacting Multiple Model［C］//Proceeding of the 31th Chinese Control Conference.2012：199-203.

［3］李攀，鄭紫微，陳平順.多路數據融合在農業(yè)大棚監(jiān)測系統(tǒng)中的應用［J］.無線通信技術，2014，4：27-31.

［4］王華東，王大羽.一種改進的多無線傳感器數據分批估計自適應加權融合算法［J］.傳感技術學報，2015，28（8）：1239-1243.

［5］秦建武，趙春宇，李宏.BP神經網絡在爬架組安全監(jiān)測系統(tǒng)中的應用［J］.無線通信技術，2015（3）：44-49.

［6］金長江，曹相杰.基于容積卡爾曼濾波的異類多傳感器一致性融合算法［J］.傳感技術學報，2016，29（7）：1006-1010.

［7］王冷.基于模糊神經網絡信息融合的采煤機煤巖識別系統(tǒng)［J］.現代電子技術，2015，38（23）：106-109.

［8］阿蘭·阿皮諾.不確定性理論與多傳感器數據融合［M］.北京：機械工業(yè)出版社，2016：107-113.

［9］常丹華，王偉艷，趙春河.基于BP神經網絡的圖像顏色溫度檢測方法研究［J］.傳感技術學報，2007，20（2）：343-345.

［10］李杰，毛曉健.空氣濕度與火災發(fā)生率［J］.山東消防，2013（2）：31.

［11］WU Wei，Wang Jian，Cheng Mingsong，et al.Convergence Analysis of Online Gradient Method for BP Neural Networks［J］.Neural Networks，2011，24（1）：91-98.

［12］周品.MATLAB神經網絡設計與應用［M］.北京：清華大學出版社，2013：92-119.

黃衍標（1983-），男，江西石城人，碩士生，講師，主要研究方向為機器人與人工智能；

羅廣岳（1995-），男，廣東海豐人，本科在讀；

何銘金（1994-），男，廣東高州人，本科在讀。

The Application of BP Neural Network in Patrol Robot’s Multi-Sensor Data Fusion*

HUANG Yanbiao*，LUO Guangyue，HE Mingjin
（South China Institute of Software Engineering，Guangzhou510990，China）

According to the small monitoring range and much false alarm of traditional surveillance equipment in hazardous chemicals warehouse，a data fusion method base on BP neural network used in patrol robot is proposed，this method firstly collected the original data of temperature，humidity and the concentration of leaked hazardous chemicals in surroundings，and filtered the noise data by pauta criterion，then normalized all data before fuse operation，and finally fused all the data from each sensor by BP neural network.The experimental result indicates that the method greatly improved the patrol robot’s detectability of surroundings，and increased the dependability and accuracy in alarm，also it can be expanded additional sensors easily.

data fusion；robot；BP neural network；multi-sensor

TP183

A

1004-1699（2016）12-1936-05

??7230；6140

10.3969/j.issn.1004-1699.2016.12.026

項目來源：廣東省重大平臺和科研立項項目（2015KQNCX241）；廣東省大學生科技創(chuàng)新培育專項資金項目（pdjh2016b0998）；2016年廣州大學華軟軟件學院院級科研項目（ky201601）

2016-05-30修改日期：2016-07-17